[R-br] Coletar informações (texto) de sites

[Daniel Dantas]

Pessoal, como faço pra "limpar" as strings que eu não quero que surgem quando executo o comando abaixo?
 
#################
url <- "http://www.pr.agenciasebrae.com.br/noticia.kmf?canal=724&cod=12211380"
dados=readLines(paste(url))
textos = sapply(strsplit(dados[c(34,35,145)],"\t"),FUN =function(x) 
paste(x,collapse=""))
textos
#################
 
a saída do comando acima é esta:[1] "<meta property=\"og:title\" content=\"Em Curitiba, seminário mostra como Lei Geral contribui para o desenvolvimento municipal\" />"                                             
[2] "<meta property=\"og:description\" content=\"Sebrae/PR reúne lideranças da região centro-sul para apresentar casos de sucesso e mostrar formas de implantação da legislação\" />"
[3] "                    <p class=\"left\">04.08.2011 | 09:00"    
 
e eu soh quero:
da 1° linha: Em Curitiba, seminário mostra como Lei Geral contribui para o desenvolvimento municipal
da 2° linha: Sebrae/PR reúne lideranças da região centro-sul para apresentar casos de sucesso e mostrar formas de implantação da legislação
da 3° linha: 04.08.2011
 
então, para facilitar, os excessos são:
"<meta property=\
"og:title\
" content=\
"og:description\"
<p class=\"left\">
 | 09:00"  (esse aqui varia quando mudo a URL)
 
outra URL para testar, caso precisem: http://www.pr.agenciasebrae.com.br/noticia.kmf?canal=724&cod=12201212
 
estava lendo no arquivo de e-mails da lista, sobre strsplit mas n to conseguindo usar.... até o Luiz, hoje mesmo usou essa função mas ele só "pegou" o que queria, e eu quero remover os "excessos" 
 
Tenho que fazer isso para vários outros sites, então quero só jogar a URL e que ele me retorne o título, subtítulo e data da notícia e o link.
 
Um abraço e meu agradecimento desde já!!
 
 

> From: wwwhsd em gmail.com
> Date: Thu, 20 Oct 2011 21:07:01 -0200
> To: r-br em listas.c3sl.ufpr.br
> Subject: Re: [R-br] Coletar informações (texto) de sites
> 
> Tente assim:
> 
> library(XML)
> u <- "http://www.cnm.org.br/eleicao/mu_ele_prefeito.asp?iIdMun=%s"
> 
> # Quais munícipios vc precisa
> ids <- c(100141003, 100141095)
> 
> # Usando XPATH query
> fGetNome <- function(x, ...) {
> Lines <- readLines(x)
> h <- htmlTreeParse(Lines, asText = TRUE, useInternalNodes = TRUE)
> gsub("\n|\t", "", xpathApply(h, "//table//td[@width='80%']", xmlValue))
> }
> 
> lapply(sprintf(u, ids), fGetNome)
> 
> 
> 
> 2011/10/20 Daniel Dantas <daniel.dantas em hotmail.com>:
> > Boa tarde pessoal,
> >
> > Existe alguma maneira de "pedir" para o R entrar neste site
> > http://www.cnm.org.br/eleicao/mu_ele_prefeito.asp?iIdMun=100141003 e me
> > retornar o nome do prefeito de 2008 e de 2004?
> >
> > O objetivo disto é obter a listagem dos prefeitos de 2004 e de 2008 para ver
> > quem foi reeleito, se está no 1° ou 2° mandato.
> >
> > Para cada município, o link muda apenas o final, então tem como programar
> > para que ele abra os links de todos os municípios do estado do PARANÁ, mas
> > não sei como fazer ele me retornar o nome do prefeito.
> >
> > Algo interessante que descobri agora, não sei é por causa do Internet
> > Explorer ou é do site, mas se apertarmos com o botão direito no campo onde
> > está escrito o nome do prefeito, surge-se a opção de exportar para Excel as
> > informações daquele ano. Eu poderia fazer isso 399 (qtde de municípios
> > do PR) vezes para o ano de 2004 e 399 para o ano de 2008 e pedir para o
> > R consolidar em 1 planilha. Mas mesmo assim dá um certo trabalho salvar 798
> > planilhas.
> >
> > Alguém sabe um procedimento mais simples? Espero que eu tenha consigo me
> > fazer entender.
> >
> > Obrigado,
> > Daniel
> >
> > _______________________________________________
> > R-br mailing list
> > R-br em listas.c3sl.ufpr.br
> > https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
> > Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código
> > mínimo reproduzível.
> >
> 
> 
> 
> -- 
> Henrique Dallazuanna
> Curitiba-Paraná-Brasil
> 25° 25' 40" S 49° 16' 22" O
> _______________________________________________
> R-br mailing list
> R-br em listas.c3sl.ufpr.br
> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
 		 	   		  
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20111021/25b9116e/attachment.html>